非極大值抑制
非極大值抑制也屬於後處理一部分，單獨說可能會清楚一點，之所以要進行這步操作，原因在於很多時候乙個目標存在多個**框，這時我們需要選出最好的那個作為**結果。怎麼選的過程就是非極大值抑制操作。如下圖所示：
圖1 可愛的小貓
上圖中乙個目標有三個**框，所以需要通過非極大值抑制選出最好的那個（黃色框）。需要說明的是，一般情況下，一張中可能存在幾個類別的目標，每個類別目標可能有多個個體，比如一張中可能包含3只貓和2隻狗這類更一般的情況。但是一般非極大值抑制每次僅針對乙個類別來操作。這裡結合**來說明其具體思路。對於非極大值抑制，我們的輸入一般是影象中一類目標（比如貓）的所有**框和每乙個**框對應的得分以及乙個閾值。
def nms(bboxs, scores, threshold):
x1 = bboxs[:, 0]
y1 = bboxs[:, 1]
x2 = bboxs[:, 2]
y2 = bboxs[:, 3]
areas = (y2 - y1) * (x2 - x1) # 每個bbox的面積
# order為排序後的得分對應的原陣列索引值
_, order = scores.sort(0, descending=true)
keep = # 儲存所有結果框的索引值。
while order.numel() > 0:
if order.numel() == 1:
break
else:
i = order[0].item()
# 計算最大得分的bboxs[i]與其餘各框的iou
xx1 = x1[order[1:]].clamp(min=int(x1[i]))
yy1 = y1[order[1:]].clamp(min=int(y1[i]))
xx2 = x2[order[1:]].clamp(max=int(x2[i]))
yy2 = y2[order[1:]].clamp(max=int(y2[i]))
inter = (yy2 - yy1).clamp(min=0) * (xx2 - xx1).clamp(min=0)
iou = inter / (areas[i] + areas[order[1:]] - inter)
# 如果bboxs長度為n，則iou長度為n-1
# 保留iou小於閾值的剩餘bboxs,.nonzero().squeeze()轉化為數字索引，可驗證
idx = (iou <= threshold).nonzero().squeeze()
if idx.numel() == 0:
break
order = order[idx + 1]
# idx+1表示對其每個值加一(保證和原來的order中索引一致)，並替換原來的order
return keep
第一步：計算所有**框的面積，areas = (y2 - y1) * (x2 - x1)，這是矩陣運算噢。
第二步：根據所有**框的得分對其進行降序排序， _,order = scores.sort(0, descending=true)，order為排序後的得分對應的原陣列索引值。
第三步：保留最高得分**框索引值order[0]，計算其和剩餘**框的交集inter，這裡也是矩陣運算。
第四步：求得分最高的**框和其餘**框的交並比iou。
圖2 iou示意圖
第五步：保留iou小於閾值的那部分**框,原因是iou越大，表明其和最高得分**框的重合度越大，所以應該去除。
第六步：更新order，order = order[idx + 1]，返回第三步，直到iou小於閾值的那部分**框數量為零就停止。
通過上面的步驟，我們就可以完成非極大值抑制。同時選出最合適的**框！
接上一節我們得到的三個結果：通過[1,3,13,13,85]變成[1,507,85]、通過[1,3,26,26,85]變成[1,2028,85]、通過[1,3,52,52,85]變成[1,8112,85]，這都是維度變化表示噢！對於以上結果我們進行融合後開始非極大值抑制操作，融合**為：all_prediction= torch.cat((preds,predm,predl),1)
其中preds=[1,507,85]，predm=[1,2028,85]，predl=[1,8112,85]。
經過非極大值抑制處理後的結果（所有**框和其對應得分及類別標籤）再稍微處理下就可以得到最終的顯示效果（這部分看**就行）。顯示效果就是根據上面的結果在圖上畫出**框以及對應得分和識別標籤。如下所示：
圖3 識別結果
至此yolov4的結構原理及識別過程完！
非極大值抑制
nms non maximum suppression 中文名非極大值抑制，在很多計算機視覺任務中都有廣泛應用，如 邊緣檢測 目標檢測等。這裡主要以人臉檢測中的應用為例，來說明nms，並給出matlab和c 示例程式。人臉檢測的一些概念 1 絕大部分人臉檢測器的核心是分類器，即給定乙個尺寸固定，分類...
非極大值抑制
參考 思想 1.將每乙個檢測框的得分值排序，得到得分值最大的檢測框，將該檢測框記錄下來 2.然後其他計算所有的檢測框與該框的iou，將iou大於閾值的檢測框去除，iou小於閾值的認為是不同的目標，則保留 3.對剩下的檢測框繼續做上述的處理 import numpy as np def py cpu ...
非極大值抑制
在進行目標檢測的時候，當多個方框都 到同乙個目標的時候，我們需要去除iou小的方框，原始碼如下 def nms boxes,threshold,method union param boxes n,9 x1,y1,x2,y2,score,offset x1,offset y1,offset x2,o...